⚡ electrical engineering

Safe Output Regulation of Coupled Hyperbolic PDE-ODE Systems

本文针对受全分布扰动的耦合双曲偏微分方程 - 常微分方程系统，提出了一种基于非超调反步法的状态反馈安全输出调节策略，通过设计状态观测器和扰动估计器，在确保系统信号有界、跟踪误差指数收敛及状态估计准确的同时，严格保证了受控输出在初始安全或预设时间内恢复至安全区域。

原作者： Ji Wang, Miroslav Krstic

发布于 2026-03-18

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Ji Wang, Miroslav Krstic

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个非常酷的控制理论问题：如何像一位经验丰富的“空中交通管制员”一样，控制一架带着吊挂货物的无人机，让它既飞得稳、跟得准，又绝对不撞车，哪怕外面狂风大作、传感器还看不清所有细节。

为了让你轻松理解，我们把这篇充满数学公式的论文，拆解成一个生动的故事。

1. 核心场景：无人机送快递的“走钢丝”

想象一下，你有一架无人机，下面用一根长长的绳子吊着一个沉重的包裹（这就是论文里的PDE-ODE 耦合系统）。

绳子（PDE 部分）： 绳子很长，风一吹，整根绳子都会像波浪一样晃动。这种波动是分布在整个绳子上的，很难用几个数字描述，必须用“波”的概念来理解。
包裹（ODE 部分）： 绳子末端的那个包裹，它的运动可以用几个简单的数字（位置、速度）来描述。
挑战： 你的目标是让包裹精准地飞到目的地（输出调节），同时，包裹不能撞到周围的障碍物（安全控制）。而且，外面还有狂风（分布式干扰），你的眼睛（传感器）还看不清绳子中间的具体晃动情况（状态不可测）。

2. 论文解决了什么难题？

以前的控制方法要么只能保证“不撞车”，要么只能保证“飞得准”，很难同时做到。而且，如果一开始包裹就飞到了危险区域（比如离墙太近），以前的方法可能束手无策。

这篇论文提出了一套**“智能救援与导航系统”**，它有三个超能力：

超能力一：自带“安全护盾” (Control Barrier Functions)

想象包裹周围有一个看不见的**“安全气泡”**。

如果包裹在气泡里： 系统会温柔地引导它飞向目标，同时确保它绝不触碰气泡壁。
如果包裹一开始就在气泡外（危险区）： 系统不会放弃，它会启动**“紧急救援模式”。就像你推一个快要掉下悬崖的箱子，系统会施加一股巨大的力量，保证在用户设定的时间内**（比如 2 秒内），把箱子硬生生拉回安全区。一旦拉回来，就继续执行常规任务。

超能力二：拥有“透视眼” (State Observer)

现实中，我们不可能在绳子的每一寸都装传感器。

这就好比你在看一场只有部分观众席的球赛，却想知道全场每个球员的位置。
论文设计了一个**“超级侦探”（状态观测器）。它只通过看包裹的位置和绳子末端的晃动，结合数学模型，就能猜出**整根绳子在每一刻的晃动情况，甚至能猜出外面风有多大（干扰估计）。
更厉害的是，这个侦探不仅猜得准，还能保证猜错的误差会迅速消失，就像侦探越练越神，最后几乎零误差。

超能力三：抗干扰的“定海神针” (Robust Regulation)

不管风怎么吹（外部干扰），不管绳子怎么晃，这套系统都能保证包裹最终稳稳地停在目标点，误差会像退潮一样迅速消失（指数收敛）。

3. 它是如何工作的？（通俗版流程）

这套系统的工作流程就像是一个**“三步走”的魔法**：

第一步：把复杂变简单（Backstepping 变换）
原来的绳子波动和包裹运动纠缠在一起，像一团乱麻。控制工程师用一种数学魔法（反步法），把这团乱麻“解耦”了。
- 比喻： 就像把纠缠在一起的耳机线理顺，把绳子的波动和包裹的运动分开处理，让控制变得清晰可见。
第二步：建立“安全阶梯” (High Relative Degree CBF)
为了安全，他们设计了一个多层的“安全阶梯”。
- 比喻： 想象包裹不仅不能撞墙，它的速度、加速度也不能太猛。这个系统设计了层层关卡，确保包裹在冲向目标的过程中，每一步都踩在安全线上。如果它偏离了，系统会立刻修正，就像走钢丝时手里拿的平衡杆，时刻微调。
第三步：用“侦探”代替“全知”
因为看不清绳子中间，系统就用那个“超级侦探”提供的数据来代替真实数据。
- 比喻： 就像盲人摸象，虽然摸不到全身，但通过摸到的几个关键点，结合大脑的推理，就能完美还原大象的样子，并据此做出正确的驾驶决策。

4. 实际效果：无人机送快递

论文最后用无人机送快递的案例做了模拟：

场景： 无人机吊着包裹，在充满障碍物的城市里飞行，还有侧风干扰。
结果：
- 情况 A（安全起步）： 包裹一开始就在安全区，它平滑地飞向目标，完美避开障碍物。
- 情况 B（危险起步）： 包裹一开始被风吹到了障碍物旁边（危险区）。系统立刻反应，在不到 2 秒的时间内，强行把包裹拉回安全区，然后继续送货。
- 全程： 即使传感器有误差、风很大，包裹最终都稳稳停在了目标点，绳子也没有乱晃失控。

总结

这篇论文的核心贡献就是：在充满未知和干扰的世界里，给复杂的动态系统（如无人机吊运）穿上了一层“智能防弹衣”。

它不仅能让你精准到达目的地，还能保证你绝对安全。哪怕一开始你就走错了路（处于危险区），它也能把你救回来，并且在这个过程中，它不需要知道所有的细节，只需要“猜”得足够准就能做到。

这对于未来的自动驾驶、机器人操作、甚至太空探索中的机械臂控制，都有着巨大的应用前景。简单来说，它让机器变得更聪明、更谨慎、也更可靠。

这是一份关于论文《Safe Output Regulation of Coupled Hyperbolic PDE-ODE Systems》（耦合双曲偏微分方程 - 常微分方程系统的安全输出调节）的详细技术总结。

1. 研究问题 (Problem)

本文针对一类由耦合的 $2 \times 2$ 双曲偏微分方程 (PDE) 与常微分方程 (ODE) 构成的系统，研究在存在全分布式干扰（fully distributed disturbances）情况下的安全输出调节问题。

系统模型：包含一个严格反馈形式的 ODE 子系统（代表末端执行器或负载动力学）和一对双向耦合的双曲 PDE（代表传输过程，如缆绳波动）。控制输入作用于 PDE 的一端，而受控输出（需要调节的量）位于距离控制输入最远的另一端（即 ODE 状态）。
核心挑战：
1. 输出调节：不仅要消除跟踪误差，使输出指数收敛到期望参考信号，还要抑制外部干扰。
2. 安全约束：受控输出必须始终保持在由时变障碍函数（Barrier Function）定义的“安全区域”内，避免与障碍物碰撞。
3. 状态不可测与干扰未知：实际应用中，PDE 的分布式状态和外部干扰通常无法直接测量，需要设计观测器。
4. 初始不安全状态：如果系统初始状态位于安全区域之外，控制器需要能在用户指定的时间内将系统“救援”回安全区域。

2. 方法论 (Methodology)

作者提出了一种结合反向步法 (Backstepping)、控制障碍函数 (CBF) 和扩展观测器的综合控制策略。

2.1 名义状态反馈控制器设计 (Nominal State-Feedback)

假设所有状态和干扰已知，设计步骤如下：

误差变换与链式积分器化：通过线性变换将 ODE 子系统转化为链式积分器形式，并将跟踪误差 $e(t)$ 映射为新的状态变量。
高阶 CBF 构造：引入控制障碍函数 $h(e, t)$ $h (e, t)$ 。为了处理高相对阶（High Relative Degree）问题，设计了一系列变换 $h_i$ $h_{i}$ ，将原系统转化为具有特定链式结构的 CBF 动态系统。
- 引入辅助函数 $\sigma(t)$ ：当初始状态位于安全区域外时， $\sigma(t)$ 作为一个时变项，强制系统在预设时间 $t_a$ 内回到安全边界。
PDE 解耦与目标系统：利用反向步法（Backstepping）设计积分变换，消除 PDE 内部的耦合项、ODE 耦合项以及干扰模型的影响。
- 将原系统映射为目标系统：ODE 部分变为 Hurwitz 矩阵驱动的高阶 CBF 链，PDE 部分变为纯传输方程（Target System），且边界条件被镇定。
控制律合成：基于目标系统的稳定性，反推得到边界控制输入 $U(t)$ ，该输入包含状态反馈、干扰前馈补偿以及预测项。

2.2 输出反馈与鲁棒安全控制 (Output-Feedback & Robust Safety)

针对状态不可测和干扰未知的情况：

扩展观测器设计：
- 设计了一个包含状态观测器和干扰估计器的扩展观测器。
- 利用 PDE 边界测量值 $z(1, t)$ 和 ODE 输出 $y_1(t)$ 来重构未测量的 PDE 状态、ODE 状态以及外部干扰信号。
- 通过坐标变换将观测误差系统转化为稳定的目标系统，证明了观测误差的指数收敛性。
鲁棒安全控制律：
- 在名义控制律的基础上，利用观测误差的显式上界（Explicit Bounds），设计了一个额外的鲁棒项（Signum 函数项）。
- 该设计通过收缩安全集（Shrinking the safe set）来抵消估计误差带来的不确定性，确保即使存在观测误差，系统依然满足安全约束。
- 证明了在观测误差指数收敛到零的过程中，安全约束始终得到满足。

3. 主要贡献 (Key Contributions)

PDE 系统的安全输出调节：这是首次针对耦合双曲 PDE-ODE 系统提出的安全输出调节方案。不仅保证了输出跟踪参考信号，还严格保证了输出在时变安全区域内。
输出反馈与抗干扰：突破了以往仅基于状态反馈的局限，提出了能够处理未测量 PDE 状态和外部干扰的输出反馈控制器。
一般化安全约束与“救援”机制：
- 引入了通用的障碍函数 $h$ ，而非仅限于正性约束，提供了更灵活的安全规范。
- 提出了**预设时间救援（Prescribed-time rescue）**机制：如果系统初始处于不安全状态，控制器能保证在用户指定的有限时间 $t_a$ 内将系统拉回安全区域，而不仅仅是保持安全。
理论保证：
- 证明了闭环系统所有信号的有界性。
- 证明了跟踪误差和观测误差的指数收敛。
- 证明了在初始安全或初始不安全两种情况下，系统均能满足安全约束。

4. 仿真结果 (Results)

论文通过无人机 (UAV) 吊运负载的仿真案例验证了方法的有效性：

场景：无人机通过缆绳吊运负载，需在风扰（分布式干扰）下跟踪指定轨迹，同时避免负载与周围障碍物碰撞。
模型：将缆绳动力学建模为波动 PDE，负载建模为 ODE，并引入了反阻尼项以模拟不稳定的开环系统，增加了控制难度。
案例 1（单侧安全区）：负载位置需保持在参考轨迹上方。仿真显示，无论初始位置在安全区内还是外，控制器均能实现快速跟踪并避免越界。若初始越界，系统在约 1.85 秒内（小于预设时间）被拉回安全区。
案例 2（双侧安全区）：负载位置需在参考轨迹的上下两个动态边界之间。仿真同样成功实现了跟踪和避障，且观测器能准确估计负载速度、缆绳波动及风扰信号。
结论：观测器状态快速收敛，控制输入平滑，系统状态有界，验证了理论分析的正确性。

5. 意义与价值 (Significance)

理论突破：填补了无限维系统（PDE）安全控制领域的空白，特别是将控制障碍函数（CBF）理论成功扩展到了具有分布参数和传输延迟的复杂系统中。
工程应用：为无人机吊运、管道输送、柔性机械臂等涉及传输延迟和分布参数的工业过程提供了可靠的控制框架。特别是在存在未知干扰和状态不可测的复杂环境下，保证了系统的安全性和高精度跟踪。
鲁棒性：提出的基于误差界限的鲁棒安全控制策略，为解决实际工程中模型不确定性和测量噪声带来的安全挑战提供了新的思路。

综上所述，该论文提出了一种严谨且实用的控制框架，成功解决了耦合 PDE-ODE 系统在干扰和状态不可测条件下的安全输出调节问题，具有重要的理论创新和工程应用价值。